1 模型评估
我们在建立模型之后，接下来就要去评估模型，确定这个模型是
否有用。
在实际情况中，我们会用不同的度量去评估我们的模型，而度量
的选择取决于模型的类型和模型以后要做的事。
1.1 二分类评估
二分类模型的评估。
1.1.1 业界标准叫法
二分类评估；分类算法。
1.1.2 应用场景
信息检索、分类、识别、翻译体系中。
1.1.2.1 新闻质量分类评估
对于新闻APP，其通过各种来源获得的新闻，质量通常良莠不齐。
为了提升用户体验，通常需要构建一个分类器模型分类低质新闻和优质新闻，进而进行分类器的评估。
1.1.2.2 垃圾短信分类评估
垃圾短信已经日益成为困扰运营商和手机用户的难题，严重影响
人们的生活、侵害到运营商的社会公众形象。
构建二分类器模型对垃圾短信和正常短信进行分类，并进行二分
类评估。
1.1.3 原理
1.1.3.1 混淆矩阵
混淆矩阵（Confusion Matrix）。来源于信息论，在机器学习、人工
智能领域，混淆矩阵又称为可能性表格或错误矩阵，是一种矩阵呈现的可视化工具，用于有监督学习，在无监督学习中一般叫匹配矩阵。
混淆矩阵是一个N*N的矩阵，N为分类（目标值）的个数，假如
我们面对的是一个二分类模型问题，即N=2，就得到一个2*2的矩阵，它就是一个二分类评估问题。
混淆矩阵的每一列代表预测类别，每一列的总数表示预测为该类
别的数据的数目，每一行代表了数据的真实归属类别，每一行的数据
总数表示该类别的实例的数目。
图1 2*2混淆矩阵图
阳性（P，Positive）： 阴性（N，Negative）：
真阳性（TP，True Positive）：正确的肯定，又称“命中”（Hit）；被模型预测为正类的正样本。
真阴性（TN，True Negative）：正确的否定，又称“正确拒绝”（correct rejection），被模型预测为负类的负样本。
伪阳性（FP，false Positive）：错误的肯定，又称“假警报”（false alarm）；被模型预测为负类的正样本。
伪阴性（FN，false Negative）：错误的否定，又称“未命中”（miss）；被模型预测为正类的负样本。
灵敏度（Sensitivity）或真阳性率（TPR，Ture Negative Rate）：又称“召回率”（recall）、命中率（Hit Rate）。在阳性值中实际被预测正确所占的比例。TPR=TP/P=TP/(TP+FN)
机器学习中关于模型评估方法总结
